第14章 高深的面板数据方法.pptVIP

伍德里奇 《计量经济学导论》（第4版） 主讲教师：张冠甲 国内外经典教材名师讲堂 第14章 高深面板数据方法 　　本章要点　　固定效应模型　　随机效应模型　　模型之间的比较：　　固定效应与一阶差分 固定效应与随机效应 固定效应、随机效应与OLS　　面板数据方法应用于其它数据结构 　　回顾：个体异质性及其影响　　去除个体异质性的方法之一：一阶差分法。　　另一种思路：既然个体异质性不随时间改变，能否在每个个体的组内平均掉？　　考虑模型　　每个个体i都在时间上平均，有 　　用每个观测值减去这个平均值：　　记y的除时间均值数据为　　模型简化为　　不可观测的个体异质性a已经被消除。　　用OLS方法估计，得到估计量称为　　固定效应估计量或组内估计量（within estimator）。 　　问题14.1　　假如在一个家庭储蓄方程中，令kidsit表示第i个家庭在第t年拥有的儿童数， t=1990年，l991年和l992年。如果对样本中大多数家庭来说，儿童人数在这3年期间都没有变化，那么，为了估计儿童人数对储蓄的影响，可能会导致什么样的问题?　　结论：固定效应模型无法估计出那些不随时间变化的因素的影响。　　若解释变量是严格外生的，则固定效应估计量是无偏的。思考为什么？ 　　思考：固定效应的自由度怎么核算？　　共有NT个观测值，k个自变量。　　自由度 NT-k？　　错误。忽略了去除时间趋势的步骤：每组内都求过平均，相当于增加Ｎ个约束。　　自由度： df=NT—N一k=N(T一1)一k　　进一步思考：固定效应模型中 如何理解？ 　 的时间变异被解释变量的时间变异所解释的部分。 　　Q：既然固定效应模型无法给出不随时间变化的个体异质性的影响，如何得到这种影响？　　A：采用虚拟变量回归。　　LSDV方法　　每一个个体加入一个虚拟变量。虚拟变量回归的系数即为对个体异质性的估计。　　LSDV方法与固定效应估计给出的估计值完全一致，即固定效应估计量可以由虚拟变量回归得到 　　固定效应（FE）还是一阶差分（FD）？　　T=2时，二者完全相同。　　T超过3时，二者不相等。都是无偏，以相对效率作为准则。　　什么决定了相对效率？误差项　　当 无序列相关时，FE更有效　　当 满足随机游走时，FD更有效。　　在长面板里（N小于T），更多的使用FD。　　在动态面板里（解释变量含有被解释变量的滞后项），FE甚至不能保证无偏性（因为违背了解释变量的严格外生性假设）  　　非平衡面板中FE方法的使用　　FE在非平衡面板中同样适用，除非某些个体只有一期的观测值。　　但要注意为什么面板是非平衡的。　　思考：以下造成非平衡面板的原因对使用FE的无偏性有何影响？　　1 新进入个体　　2 缺失的样本与扰动项 有关　　3 缺失的样本与个体异质性a有关 　　随机效应模型　　依然考虑基本面板数据模型　　并且加一个严格的假设，个体异质性与每一个解释变量都无关　　此时称为随机效应模型。　　Q：用OLS估计随机效应模型可取吗？若再加上时间变量呢？　　A：忽略了误差项的序列相关性 　　定义复合误差项并重写估计模型　　因为都含有个体异质性a，所以不同时期的误差项v显然是序列相关的。　　即有：　　因此，混合OLS估计忽略这种序列相关，标准误是不对的。 　　如何克服这种序列相关性？GLS方法　　定义0和1之间的参数　　类似12章中的“准差分”思想，采用“准除均值法”改写模型　　变换后的模型可以采用混合OLS估计（因为序列相关性已经被消除） 　　问题：参数 未知，如何估计？　　若估计　　需要估计出 和　　首先用OLS估计出　　记残差为 ，回归标准误的平方为  　　进一步，估计　　进而估计　　最终得到 　　应该用固定效应还是随机效应？　　不能断定解释变量与个体异质性无关时，随机效应是有偏的，只能采用固定效应。　　能肯定的判断解释变量与个体异质性无关，随机效应更有效。　　问题是如何判断 成立与否？豪斯曼检验的思想：　　检验 是否成立。　　若拒绝，则使用FE；　　若不能拒绝，意味着FE与RE实际上差别不大 　　面板数据方法应用于其它数据结构　　即便是数据中不含时间因素，也可以通过类似一阶差分法或固定效应模型的思想，除去“不可观测的个体异质性”　　例：杰罗尼姆斯和考伦曼(Geronimus and Korenman，1992)利用成对的姐妹